Multi-Head Miscela di Esperti

Abstract

Le Sparse Mixtures of Experts (SMoE) aumentano la capacità del modello senza incrementi significativi nei costi di addestramento e inferenza, ma presentano due problematiche: (1) Bassa attivazione degli esperti, dove solo un piccolo sottoinsieme di esperti viene attivato per l'ottimizzazione. (2) Mancanza di capacità analitica fine per concetti semantici multipli all'interno dei singoli token. Proponiamo la Multi-Head Mixture-of-Experts (MH-MoE), che utilizza un meccanismo multi-head per suddividere ogni token in più sub-token. Questi sub-token vengono poi assegnati e processati da un insieme diversificato di esperti in parallelo, e reintegrati senza soluzione di continuità nella forma originale del token. Il meccanismo multi-head consente al modello di prestare attenzione collettivamente alle informazioni provenienti da vari spazi di rappresentazione all'interno di esperti diversi, migliorando significativamente l'attivazione degli esperti, approfondendo così la comprensione del contesto e alleviando l'overfitting. Inoltre, la nostra MH-MoE è semplice da implementare e si disaccoppia da altri metodi di ottimizzazione SMoE, rendendola facile da integrare con altri modelli SMoE per migliorarne le prestazioni. Risultati sperimentali estesi su tre task: modellazione del linguaggio focalizzata sull'inglese, modellazione del linguaggio multilingue e modellazione multi-modale mascherata, dimostrano l'efficacia di MH-MoE.

English

Sparse Mixtures of Experts (SMoE) scales model capacity without significant increases in training and inference costs, but exhibits the following two issues: (1) Low expert activation, where only a small subset of experts are activated for optimization. (2) Lacking fine-grained analytical capabilities for multiple semantic concepts within individual tokens. We propose Multi-Head Mixture-of-Experts (MH-MoE), which employs a multi-head mechanism to split each token into multiple sub-tokens. These sub-tokens are then assigned to and processed by a diverse set of experts in parallel, and seamlessly reintegrated into the original token form. The multi-head mechanism enables the model to collectively attend to information from various representation spaces within different experts, while significantly enhances expert activation, thus deepens context understanding and alleviate overfitting. Moreover, our MH-MoE is straightforward to implement and decouples from other SMoE optimization methods, making it easy to integrate with other SMoE models for enhanced performance. Extensive experimental results across three tasks: English-focused language modeling, Multi-lingual language modeling and Masked multi-modality modeling tasks, demonstrate the effectiveness of MH-MoE.